X-Net：基于深度可分离卷积与长程依赖的脑卒病灶分割
图像与视频处理
2020-01-01 v2 计算机视觉与模式识别
摘要
过去几年中脑卒中的发病率迅速上升。为辅助专家进行病灶测量与治疗规划，临床实践迫切需求自动分割方法。近来，基于深度学习的方法与上下文信息提取方法已服务于许多图像分割任务。然而，由于大量参数的训练不足，其性能受限，有时无法捕获长程依赖。为解决这些问题，我们提出了一种基于深度可分离卷积的 X-Net，其设计了一种称为特征相似度模块(Feature Similarity Module, FSM)的非局部操作来捕获长程依赖。所采用的深度可分离卷积可缩减网络规模，而所开发的 FSM 提供了更有效、密集的上下文信息提取，从而促成更好的分割。X-Net 在一个开放数据集 Anatomical Tracings of Lesions After Stroke (ATLAS) 上进行了评估，与其他六种 SOTA 方法相比取得了更优性能。我们在 https://github.com/Andrewsher/X-Net 上公开了代码与模型。
引用
@article{arxiv.1907.07000,
title = {X-Net: Brain Stroke Lesion Segmentation Based on Depthwise Separable Convolution and Long-range Dependencies},
author = {Kehan Qi and Hao Yang and Cheng Li and Zaiyi Liu and Meiyun Wang and Qiegen Liu and Shanshan Wang},
journal= {arXiv preprint arXiv:1907.07000},
year = {2020}
}
备注
MICCAI 2019